[發明專利]一種基于改進DeepLabV3+的露天礦區土地利用識別方法

有效

• 申請號: 202110843211.1
• 申請日: 2021-07-26
• 公開（公告）號: CN113435411B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 李軍;杜守航;楊金中;張成業;邢江河;鄭慧玉;李煒
• 申請（專利權）人: 中國礦業大學（北京）;中國自然資源航空物探遙感中心
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/80;G06V10/774;G06V10/40;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都華辰智合知識產權代理有限公司 51302
• 代理人: 秦華云

1.一種基于改進DeepLabV3+的露天礦區土地利用識別方法，其特征在于：其方法如下：

A、制作露天礦區多類別用地樣本數據集：

A1、采集露天礦區遙感影像數據并進行標注，標注的對象包括露天開采區、煤區、排土場、復墾區；

A2、將露天礦區遙感影像數據裁剪為500×500的影像塊，將影像塊隨機分為訓練數據和測試數據，將所有訓練數據歸集為訓練數據集并存儲，將所有測試數據歸集為測試數據集并存儲；

A3、對訓練數據集中的訓練數據進行數據增強處理，數據增強處理包括翻轉、平移、尺度變化、對比度變化、高斯噪聲處理，數據增強處理后的訓練數據集與測試數據集構成露天礦區多類別用地樣本數據集；

B、基于TensorFlow搭建DeepLabV3+網絡模型；

B1、以Xception作為基礎網絡架構并輸入露天礦區多類別用地樣本數據集，通過Xception提取得到特征，特征包括低層特征和高層特征；

B2、將Xception提取到的高層特征輸入到空間金字塔池化模塊中得到特征信息集合及特征圖；

步驟B2的空間金字塔池化模塊通過采用不同尺寸大小擴展率的帶孔卷積來捕獲不同尺度的感受野信息并捕獲不同尺度的特征信息；將空間金字塔池化模塊中3個3×3的帶孔卷積進行二維分解，分解成3×1和1×3的卷積，擴展率分別為6，12，18；同時，全局平均池化和1×1卷積層被用于提取特征，空間金字塔池化模塊經過空間金字塔池化后得到大小為32×32×1280的特征，然后將其輸入到大小為1×1具有256個卷積核的卷積層中；空間金字塔池化模塊得到特征圖A∈R^C×H×W；

B3、將特征圖輸入到注意力機制模塊中并按空間維度與通道維度分別捕獲空間維度與通道維度上的全局依賴關系，將空間維度與通道維度進行結果相加并輸出特征圖；

B4、將步驟B3的特征圖與Xception提取的低層特征進行疊加處理并搭建DeepLabV3+網絡模型；

C、利用訓練數據集對網絡模型進行訓練；

C1、采用如下交叉熵損失函數并利用訓練數據集對DeepLabV3+網絡模型進行訓練：

其中，S表示樣本數量，K表示類別數，y_a，c表示樣本a預測為類別c的概率，若樣本a的真實類別等于c，則否則

步驟C1中在交叉熵損失函數中對于大樣本類別設置較小的損失權重系數，對于小樣本類別設置稍大的損失權重系數，計算方法為：

其中，w_b為圖像中第b個類別的權重，N_b為圖像中第b個類別的像素數，L為圖像中像素總數，c為類別數；

D、通過訓練后的DeepLabV3+網絡模型進行識別處理；

D1、將測試數據集輸入到訓練好的DeepLabV3+網絡模型進行語義分割測試，獲取語義分割結果；

D2、采用條件隨機場模型進行優化處理，獲取邊緣更為精確的語義分割結果，并進行驗證；

步驟D2條件隨機場模型優化處理方法包括如下：

令G(V，E)表示圖，V和E分別為節點和邊，給定圖G，條件隨機場優化的目的是通過最小化能量函數為每一個節點m尋找最優的標簽x_m：

其中θ_m(x_m)為數據項，表征標記x_m適合節點m的程度；θ_mn(x_m,x_n)為平滑項，用于衡量兩個節點m和n的相似程度；x是所有的標記集合；

在此條件隨機場框架中，影像像素視為節點，深度模型預測的像素類別概率p_b用于構建數據項，定義為：

θ_m(x_m)＝-logP(p_b)

平滑項θ_mn(x_m,x_n)定義為：

其中，f_i和f_j為像素i和j的光譜特征值；dist(i,j)為其歐氏距離；σ為尺度參數。

2.按照權利要求1所述的一種基于改進DeepLabV3+的露天礦區土地利用識別方法，其特征在于：還包括：

E、輸入露天礦區遙感影像數據并進行語義分割結果輸出及展示。

3.按照權利要求1所述的一種基于改進DeepLabV3+的露天礦區土地利用識別方法，其特征在于：步驟B3中的注意力機制模塊嵌入編碼解碼網絡結構，在編碼解碼網絡結構中對特征圖A∈R^C×H×W施加權重并優化特征圖；

B31、注意力機制模塊捕獲空間維度：對于特征圖A∈R^C×H×W，分別通過兩個卷積層進行降維操作，得到兩個新的特征圖B和特征圖c，{B，C}∈R^C×H×W；然后將兩個新的特征圖映射為R^C×N，其中N＝H×W；然后將C與B的轉置進行相乘，通過Softmax函數計算空間注意力特征圖S∈R^N×N：

其中，S_ji表示度量像素i和j間的依賴關系；

B32、注意力機制模塊捕獲通道維度：通道注意力特征圖M∈R^C×C直接由原始特征圖A得到；將特征圖A重映射為R^C×N后與其轉置相乘，最后經過Softmax后獲得通道注意力特征圖M：

其中，M_fg表示度量通道f和g間的依賴關系。